实验室

AI 智能体基准测试的饱和度追踪器：测量内容、SOTA（最先进水平）、提升空间、与人类的差距以及研究优先级。

一个交互式基准测试，从 7 个维度比较全球 18 种大学入学考试（PAES、PAU、IB、SAT、高考、修能、JEE……）的学术难度，并配有世界地图、雷达图和排名。

一个交互式基准测试，通过雷达图在 6 个认知维度和 8 个学科上比较智利 PAES、西班牙 PAU 和 IB 文凭课程的学术难度。

交互式沙盒：在六个维度上配置智能体，选择一个 OWASP LLM 十大安全漏洞威胁，开启或关闭智能体控制矩阵（Agentic Control Matrix）的 18 项控制措施，并查看覆盖情况——已填充的象限、留空的象限以及满足的框架。特意未提供残留风险评分。

根据工作负载量、Token 价格、工具、重试、人工审核和返工，估算每月运营成本、单次正确结果成本、节省费用、投资回报率（ROI）和盈亏平衡点。

计算在选定的置信水平下，检测到至少一次失败并以明确的误差范围估算其发生频率所需的案例数量。

在将 AI 系统投入生产前，评估审核工时、升级流程、全职等效员工（FTE）、成本、可持续处理量和积压工作量。

在六个行为维度及其行动表面上对系统进行分类，估算其治理风险区间，显现控制信号，并在 24 个已映射的智能体中寻找其最近邻。

将智能体控制矩阵（Agentic Control Matrix）的 18 项控制措施与欧盟《人工智能法案》、ISO 42001、NIST AI RMF、OWASP LLM 十大安全漏洞以及 MITRE ATLAS 进行对照——并附带明确警告：对照映射不等于合规。

将 Token 转换为单词数、页数、文档数、阅读与演讲分钟数、上下文窗口使用情况以及近似的输入成本。

一款五轮的教育游戏：在有限的预算下选择正确的治理控制措施，缩小每个智能体的关键差距，并从即时解释中学习。

通过 12 个案例来区分基础能力、追求目标的实体，以及连接上下文、记忆、工具和控制措施的基础基础设施。

调查 AI 宣称的效果，选择能够真正测试它们的证据，并识别饱和度、数据污染、不确定性和误导性指标。

一款关于 18 个大学入学考试系统的 12 轮游戏：比较考试难度、识别国家，并将认知特征与选拔压力区分开来。

一份关于《伊利亚特》和《奥德赛》故事发生地的概率地图——每个地点被分类为公认、合理、推测或神话，并根据已发布的标准进行 0-12 分的评分，提供来源、相互竞争的理论以及可重用的 JSON/GeoJSON 数据。

一个交互式分类法，将 24 个 AI 智能体（从 OpenAI、Anthropic、Google、Microsoft、Amazon 和 SpaceXAI 到开源前沿）编码为横跨六个正交轴和一个行动表面的向量，并配有可过滤的表格、A×T×I 治理风险矩阵以及机器可读的 JSON API。

一张包含 22 个职业组的交互式地图，对比了 AI 的理论能力与其在现实世界中的实际应用情况（截至 2026 年 6 月），并配有类别排名、受影响最深的职业以及宏观数据——数据来源严谨。

在 2026 年世界杯上，哪支国家队的表现超出了其身价。一个实时的效率指数——逐队对比积分与欧元身价。

一个包含 100 多个世界级浪点的交互式地图集——在世界地图上标出了浪向（左手浪/右手浪/双向浪）、起浪类型、难度级别以及逐月平均浪高。

在世界地图上标注的 130 多个滑雪场——包含可滑雪公里数、按难度分类的雪道、雪质、月降雪量、气温和日照，以及缆车票价格。

在世界地图上标注的全球 40 多个设有缆车的山地车（MTB）/ 电动自行车（e-bike）公园——包含按难度分类的车道、垂直落差、公里数、开放季窗口和日票价格。